ІНДЕКСИ РОЗВИТКУ РОСЛИН

ВИ НІКОЛИ НЕ ЗАМИСЛЮВАЛИСЯ, ЗВІДКИ БЕРУТЬСЯ ПРОГНОЗНІ ЦІНИ НА АГРОПРОДУКЦІЮ НА НАЙБІЛЬШИХ БІРЖАХ СВІТУ? АБО ЯК РОЗРАХОВУЮТЬ ОБСЯГИ МАЙБУТНЬОГО ВРОЖАЮ? ВІДПОВІДЬ ПРОСТА — ЦЕ ВСЕ РОБИТЬСЯ НА ОСНОВІ ІНДЕКСІВ РОЗВИТКУ РОСЛИН. СПРОБУЙМО РОЗІБРАТИСЯ, ЩО ЦЕ ЗА ІНДЕКСИ, ЩО ВОНИ ПОКАЗУЮТЬ ТА ЗВІДКИ БЕРУТЬСЯ

ІРИНА КРАВЕЦЬ, керуючий партнер компанії Clever Agri

Найпопулярнішим індексом розвитку рослин останніми роками став NDVI. Нормалізований диференційний вегетаційний індекс у сільському господарстві використовують для вимірювання біомаси. Окрім цього, він популярний і в лісовому господарстві, де його застосовують для кількісної оцінки лісопостачання та індексу площі листя.

Сам фізичний показник, наприклад 0,87, взагалі нічого не скаже агроному. Адже рослина, яка пройшла вже цю відмітку і повністю провегетувала до індексу 1,0, знову повертається до неї, коли вона починає підсихати і настає пора збирати врожай. Тобто відмітку 0,87 індекс проходить двічі: до та після повної вегетації. Але чи можна сказати про стан рослини, тільки враховуючи числовий індекс без графіка вегетації? Звичайно ж, ні.

У сфері сільського господарства існує багато індексів рослин, якими треба користуватися комплексно, а не брати до уваги тільки NDVI. Розглянемо додаткові індекси стану рослин: EVI2, GRVI, GNDVI, VARI, TGI, NDVI. Що мається на увазі під цими скороченнями?

EVI2 (Enhanced Vegetation Index) — використовує додаткові довжини хвиль світла для корекції неточностей NDVI.

GRVI (Calculate green-red vegetation index) — індекс зелено-червоної рослинності.

GNDVI (Green Normalized Difference Vegetation Index) — показник фотосинтетичної активності рослинного покриву. Найбільш часто використовуваний під час оцінки вмісту вологи та концентрацій азоту в листках рослин. GNDVI більш чутливий до концентрацій хлорофілу порівняно з індексом NDVI.

VARI (Visual Atmospheric Resistance Index) — індекс видимої атмосферостійкости — індекс RGB для покриття листя, який використовують для оцінки частки рослинності в зображенні з низькою чутливістю до атмосферних впливів.

TGI (triangular greenness index) — індекс трикутної зелені — індекс RGB для чутливості до хлорофілу. TGI заснований на значеннях відбивної здатності на видимих довжинах хвиль. Це досить хороший показник вмісту хлорофілу в областях з високим листовим покривом.

RGB (RGB — абревіатура англійських слів red, green, blue — червоний, зелений, синій) — адитивна кольорова модель, що описує спосіб кодування кольору для відтворення його за допомогою трьох кольорів, які заведено називати основними. Вибір основних кольорів обумовлено особливостями фізіології сприйняття кольору сітківкою ока. Простіше кажучи, людське око сприймає тільки три кольори, а людський мозок обробляє інформацію так, що ми розрізняємо тисячі відтінків, в основі яких лежать червоний, зелений, синій кольори.

 

ВІД СПЕКТРІВ ДО РОСЛИН

Спектральні характеристики рослин визначають, головним чином, оптичними характеристиками листя, поглинанням (у фіолетовій, синій, блакитній і червоній частинах спектра) і пропусканням випромінювання, що падає. Хлорофіл поглинає сонячні промені в синій і червоній зонах спектра. Довжини хвиль 0,4–0,48 мкм і 0,6–0,7 мкм відповідно і дуже слабо в зеленій зоні спектра. У листках різних видів рослин у деяких спектральних областях коефіцієнти відображення досить добре корелюють між собою. Коли у них з’являються додаткові пігменти, така кореляція порушується. Завдяки цьому можна оцінити ступінь побуріння за спектрами відображення і виявити ознаки хвороби листя. Індекси вираховують програмним забезпеченням на основі знімків з усього, що літає над поверхнею землі: дронів, літаків, супутників.

 

ОСНОВНІ ВИДИ ДИСТАНЦІЙНИХ ДОСЛІДЖЕНЬ

Основні види дистанційних досліджень з космосу було спочатку розроблено й випробувано як аерометоди. Тому весь арсенал космічних методів дистанційного зондування Землі застосовують у цій групі. Розвиток безпілотних авіаційних систем отримав широке застосування в аграрній сфері. Існують також космічні методи дистанційного зондування рослинного покриву.
Аналіз сучасного стану спектральної вивченості природних об’єктів і методів автоматизації дешифрування рослинного покриву на космічних знімках дає змогу зробити такі висновки.
Спектральні характеристики рослин визначають, головним чином, оптичними характеристиками листя, поглинанням і пропусканням випромінювання, що падає. Промені різного кольору (довжини хвилі) поглинаються неоднаково в різних зонах спектра. На це впливає наявність різних пігментів, таких як хлорофіли, каротиноїди та ін. Зміни вмісту хлорофілу та інших пігментів, а також вологи в листі призводять до різниці спектральних характеристик на різних стадіях вегетації.

Спектрально-відбивні характеристики ґрунтів дуже сильно залежать від вологості ґрунтів і хімічного складу елементів.Неоднорідність фізико-хімічних властивостей ґрунтів має суттєвий вплив на зміну інтенсивності відбитого світла в певних довжинах хвиль рослинами одного виду, що виростають на таких ґрунтах. Мінливість спектрально-відбивних властивостей окремих видів рослинних угруповань залежить від різних чинників. Так, спектри рослин одного виду розрізняють за відсутності (наявності) азотного стресу — зафіксований факт зміщення (зсуву) червоного кордону погли70 нання хлорофілом (680…750 нм) у бік коротких довжин хвиль. Під час розпаду хлорофілу внаслідок несприятливих чинників або досягнення рослиною певної фази розвитку знижується поглинання світлового потоку в червоній і в зелених зонах спектра. Спостерігається поступова деградація спектра рослинності до спектра ґрунту.

Найбільш інформативні є зони спектра 480–550–670–890 нм для цілей класифікації на космічному знімку. Залежно від умов зростання і особливостей розвитку рослин використовують процедуру попіксельної трансформації зображення шляхом обчислення вегетаційних індексів.
У зв’язку з цим зроблено висновок про необхідність проведення одночасного або паралельного обліку різноманіття різних ознак і процесів в ґрунтово-рослинному покриві під час вивчення спектральних властивостей підстильної поверхні.

Неодноразово ми звертали увагу, що замість очікуваного полегшення роботи, цифрові рішення можуть приносити лише клопіт агрономам, які просто тонуть у різних даних. Зібрати масу даних із датчиків на техніці про стан ґрунту, про погоду — це лише початок. Як показує життя, великою і нерозв’язною заковикою є те, що агровиробники просто не знають, що далі робити з цими даними. Проте є вихід, який можна порадити. Слід звернутися до спеціалізованих компаній, які знаються на програмному забезпеченні для сільського господарства, а також вміють аналізувати дані за допомогою різноманітних програм, в котрих з’являються все нові і нові опції для аналітики. Звісно, траплятимуться невеликі похибки в розрахунках, тому що сільське господарство дуже складна галузь. Кінцевий результат обумовлений багатьма чинниками, втім, пробувати новітні рішення та технології треба. Інновації у вигляді програмного забезпечення коштують копійки. Також вже існує багато мобільних застосунків, які теж стануть фермерам у пригоді.

Сучасні рішення можуть бути ефективними в боротьбі зі зміною клімату і тими несприятливими явищами, що спостерігають нині (посуха, пилові бурі, обміління рік). Це відноситься до предиктивної аналітики, на яку ми не звертали належної уваги і вважали, що жодна посуха до нас не прийде. Результат відомий. Наразі вже працює в тестовому режимі наш український державний портал Дистанційного Зондування Землі (ДЗЗ). І це цілком безкоштовно.

portal.dzz.gov.ua

ШТУЧНИЙ ІНТЕЛЕКТ ТА ГІПЕРСПЕКТРАЛЬНІ ЗОБРАЖЕННЯ

Мультиспектральні камери можуть вимірювати загальні характеристики, наприклад, чи є рослина здоровою чи ні. Однак гіперспектральні зображення можуть піти ще далі і діагностувати точну причину цього стану. Це тому, що додаткові смуги світла, які вдається виявити, можуть бути пов’язані з певними фізіологічними особливостями рослини.

Щоб розробити цей аналітичний продукт для конкретної проблеми, культури і регіону слід відібрати зразки ґрунту з кожного регіону для введення у свій алгоритм. А тоді через машинне навчання отримаємо програму аналітики зі штучним інтелектом.

Як тільки це буде зроблено, подальша вибірка не потрібна і продукт може бути розгорнутий на регіональному рівні. Коли буде отримано достатньо статистичних даних, продукти можна узагальнювати та масштабувати на ширші регіони. У майбутньому ми плануємо впровадити платформу, яка забезпечить місцевим агрономічним консультантам простий робочий процес для розробки нестандартних аналітичних продуктів.

Отже, технологія — це інструментарій, що дає змогу прискорити процес перетворення даних в інформацію. Штучний інтелект — відмінний приклад такої технології, однак він не може перетворити інформацію в знання без людського інтелекту. Надалі найбільші інновації полягатимуть у здатності перетворювати інформацію в знання.

 

 

 

У разі передруку посилання на iFarming обов’язкове. Видавець не несе відповідальність за зміст рекламних оголошень та статей.

Ваші відгуки, пропозиції та зауваження приймаємо на пошту редакції: office@deltamedia.com.ua